现场反馈:“设备用着用着就死机,重启就好,隔几天又来一次。”
拿回来连上调试器,第一次跑一整天都没复现;第二次跑了三天才复现一次——等到能复现,现场的上下文已经没了。
这种问题只有一条出路:让设备自己在死机那一刻,把现场存下来。
异常发生时,硬件已经帮你保存了关键信息
Cortex-M 系列在进入异常处理之前,硬件会自动把 8 个寄存器压栈(异常栈帧):
栈顶 ↑ xPSR
PC ← 出错的那条指令地址(关键)
LR ← 出错前的返回地址(关键)
R12
R3
R2
R1
R0 ← 栈指针指向这里
有了 PC,就知道死在哪条指令;有了 LR,就知道是从哪个函数调过来的。
而拿到栈指针(MSP/PSP)之后,从它指向的位置往上读 8 个字,就能把这 8 个值取出来。
具体怎么取
在异常处理函数里,判断当前用的是哪个栈,取出栈帧:
void HardFault_Handler(void) {
__asm volatile (
"tst lr, #4 \n" // 检查 EXC_RETURN 的 bit2
"ite eq \n"
"mrseq r0, msp \n" // 主栈
"mrsne r0, psp \n" // 进程栈(RTOS 任务)
"mov r1, lr \n"
"b hardfault_report\n"
);
}
然后在 C 函数里,按结构体解析这块内存:
typedef struct {
uint32_t r0, r1, r2, r3, r12, lr, pc, psr;
} exc_frame_t;
void hardfault_report(uint32_t *sp, uint32_t exc_return) {
exc_frame_t *f = (exc_frame_t *)sp;
save_to_flash(f->pc, f->lr, exc_return);
while (1);
}
把 PC 和 LR 存进 Flash(或备份寄存器),下次连上设备就能读出来。 这是解决”偶发死机”唯一可靠的办法。
拿到 PC 之后怎么用
PC 是地址,要翻译回源码行:用编译产物里的地址映射表(.map 文件或 addr2line 工具):
addr2line -e firmware.elf 0x08004a2c
→ app/sensor.c:137
如果开了优化,PC 可能落在某条指令中间,反查出来的行号会略有偏差(前后几行)——但通常足够定位到函数。 这就够了:知道是哪个函数,剩下的靠代码审查。
LR 更有价值:它告诉你”是谁调用的”。如果 PC 落在某个通用函数(比如 memcpy)里,LR 能告诉你调用者是谁,直接从”死在里面”跳到”谁让我进来的”。
判据:从寄存器值反推故障类型
不同的错误,寄存器取值有明显的模式:
| 现象 | 常见原因 |
|---|---|
| PC 指向一个 xxxFFFFFF 附近的值 | 跳到了非法地址(函数指针为空/被踩) |
| LR 的值明显不像代码地址 | 栈被破坏,返回地址是垃圾数据 |
| 访问的地址接近 0x00000000 | 空指针解引用 |
| 地址在 RAM 边界之外 | 数组越界 |
| 地址是奇数(非对齐访问) | 结构体指针强转 |
| 反复在同一个函数里 | 该函数有越界写或栈溢出 |
“访问地址”往往比 PC 更有指向性,它一般在故障状态寄存器(如 BFAR/CFSR)里能读到。
栈溢出:用”水位法”提前发现
HardFault 里很大一部分根因是栈溢出——局部数组开太大、递归太深、中断嵌套。
不等它崩,可以做一次”水位标记”:
// 启动时把整个栈区填成 0xCD
memset(&_stack_start, 0xCD, stack_size);
// 运行一段时间后检查
uint32_t used = 0;
while (((uint8_t*)&_stack_start)[used] == 0xCD) used++;
// used 就是历史最大使用量(从栈底起算)
这个数字比”栈设了多大”有用得多。 如果历史峰值已经到 90%,说明随时会溢出;如果只有 30%,可以放心。
把现场存下来:断电也不丢
存哪里?三个选择:
| 位置 | 优点 | 缺点 |
|---|---|---|
| 备份寄存器 | 读写快、不磨损 | 容量极小(几十字节),掉电丢失 |
| 内部 Flash 保留页 | 掉电不丢 | 写入慢(要擦),有磨损 |
| 外部 FRAM/EEPROM | 不磨损 | 多一颗料 |
推荐:Flash 保留页 + 只保留最近 3~5 次记录。 死机不是高频事件,磨损完全不是问题,而”掉电不丢”非常关键——用户发现死机后的第一反应就是拔电源。
记录内容建议:
[ magic | 计数 | PC | LR | xPSR | CFSR | BFAR | 时间戳(可选) | CRC ]
一定要带 CRC:如果死机时正在写这条记录,这条记录本身也可能是坏的。
一张故障对照表
| PC/LR 特征 | 指向 |
|---|---|
| PC = 0 或 极小值 | 函数指针为空 |
| PC 在 RAM 区 | 跳到了数据区(回调指针被覆盖) |
| PC 指向 Flash 但不在已知函数内 | 跳表越界 / 函数指针错位 |
| LR 是垃圾值 | 栈被破坏 |
| 同一位置反复出现 | 该函数的越界写 |
| 只在中断密集时出现 | 中断栈溢出 / 嵌套过深 |
| 只在某个通信场景出现 | 缓冲区越界(通常是 off-by-one) |
我们处理死机问题的顺序
- 先装”黑匣子” —— 把 PC/LR/CFSR 存 Flash,别等复现时抓不到
- 看 PC 反查 —— 定位到函数,而不是靠猜
- 看 LR —— 谁调用的,这一步经常直接给出答案
- 看访问地址 —— 判断是空指针、越界还是非对齐
- 查栈水位 —— 排除栈溢出这个高频根因
- 改完复测 —— 同一场景跑足够长时间
一句话:死机不是”运气不好”,是”有一个确定的原因,只是你还没看到”。 黑匣子就是把那个原因从偶发变成必然可见。